克服陰影和車道線影響的路面坑洞識(shí)別研究

胡均平，鄧穆坤，劉成沛

（中南大學(xué) 機(jī)電工程學(xué)院，長(zhǎng)沙 410083）

0 引言

道路損壞是交通事故發(fā)生的一大誘因，這一情況引起了越來越多國(guó)家重視[1]。道路在使用過程中由于老化、車輪擠壓、雨水沖刷、路基薄弱等原因容易產(chǎn)生裂縫、擁包、坑洞等各種道路損壞。路面坑洞是其中比較嚴(yán)重的一種道路損壞，不僅影響駕駛體驗(yàn)，也容易引發(fā)交通事故。如果車輛可以在駛?cè)肟佣粗?，識(shí)別出坑洞的存在，將能夠?yàn)檐囕v的自動(dòng)駕駛提供駕駛狀態(tài)調(diào)整依據(jù)，從而提高駕駛的安全性。此外，實(shí)現(xiàn)對(duì)路面坑洞的自動(dòng)識(shí)別也可為道路管理部門提供自動(dòng)化道路質(zhì)量檢測(cè)手段[2]。

現(xiàn)有的路面坑洞識(shí)別方法主要有三種：基于振動(dòng)的方法[3]、基于三維重建的方法[4]和基于二維圖像的方法[5]?；谡駝?dòng)的方法主要是利用加速度傳感器的梯度變化來識(shí)別坑洞，具有算法復(fù)雜度低的特點(diǎn)。但是這一方法的缺陷在于容易將減速帶、擁包等誤識(shí)為坑洞[1]。基于三維重建的方法，可分為三維激光雷達(dá)方法和立體視覺方法。采用三維激光雷達(dá)可以獲得路面的很多細(xì)節(jié)信息，相對(duì)于其他的方法有著更好的效果，但是激光雷達(dá)成本昂貴[6]，采用立體視覺方法，需要匹配不同視角圖像的特征點(diǎn)，算法時(shí)間花費(fèi)較大。

基于二維圖像的方法可以在低成本的情況下獲得較好的結(jié)果，但是需要有好的算法去實(shí)現(xiàn)識(shí)別功能。Koch[5]等假設(shè)坑洞比周圍路面亮度更低，利用三角閾值法分割坑洞非坑洞區(qū)域，幾何特征橢圓率、面積等去除干擾區(qū)域，形態(tài)學(xué)細(xì)化和橢圓擬合法識(shí)別坑洞達(dá)到了86%的準(zhǔn)確率。Ryu[8]等利用三角閾值方法將圖像轉(zhuǎn)換為二值圖像，圖像形態(tài)學(xué)和幾何判據(jù)對(duì)坑洞區(qū)域進(jìn)行提取，取得了73.5%的總體準(zhǔn)確率。Wang[9]等提出了基于小波能量域和馬爾科夫隨機(jī)場(chǎng)的路面坑洞識(shí)別方法。Jo[10]等提出一種低花費(fèi)的坑洞識(shí)別系統(tǒng)，Otsu閾值法二值化圖像，取車道線之間區(qū)域作為感興趣區(qū)域，利用紋理、幾何特征提取坑洞區(qū)域，所提算法時(shí)間花費(fèi)較低。Hoang[11]等利用方向可調(diào)濾波檢測(cè)路面缺陷區(qū)域，積分投影得到形狀特征后，利用監(jiān)督學(xué)習(xí)模型對(duì)坑洞圖像進(jìn)行識(shí)別。

上述文獻(xiàn)中的路面坑洞識(shí)別方法都取得了不錯(cuò)的識(shí)別結(jié)果，但是各種環(huán)境因素的干擾制約了識(shí)別精度的提升，陰影和車道線是其中兩種常見的影響因素。為了克服陰影和車道線對(duì)路面坑洞識(shí)別的影響，本文對(duì)傳統(tǒng)的灰度補(bǔ)償算法模型進(jìn)行了改進(jìn)，將紋理和灰度信息融合到該算法模型中，并利用該算法模型在預(yù)處理步驟中對(duì)路面圖像進(jìn)行灰度補(bǔ)償去除圖像中的車道線和陰影。在得到灰度補(bǔ)償圖像后，利用小波變換和積分投影得到圖像的形狀特征，再結(jié)合支持向量機(jī)（Support Vector Machine，SVM）完成對(duì)路面坑洞圖像的分類識(shí)別。在本文收集的數(shù)據(jù)集中進(jìn)行的對(duì)比實(shí)驗(yàn)說明本文方法不易受車道線、陰影的影響。

1 克服陰影和車道線影響的路面坑洞識(shí)別方法研究

1.1 克服陰影和車道線影響的路面坑洞識(shí)別預(yù)處理

1.1.1 克服陰影和車道線影響的灰度補(bǔ)償模型研究

路面圖像中陰影區(qū)域因?yàn)楣庹毡徽趽鯇?dǎo)致亮度較暗，車道線區(qū)域則因?yàn)樯屎筒牧系姆瓷渎实脑驅(qū)е铝炼容^亮。因此陰影、車道線在灰度圖像中主要表現(xiàn)為低灰度值和高灰度值塊區(qū)，可以考慮通過灰度補(bǔ)償去除。傳統(tǒng)的灰度補(bǔ)償模型可以較好地去除圖片中的陰影，假設(shè)圖片中陰影區(qū)域?yàn)锽，非陰影區(qū)域?yàn)镽，I（i，j）為灰度圖像在（i，j）位置的灰度值，C為灰度補(bǔ)償結(jié)果圖像，AVGB、AVGR分別為陰影和非陰影區(qū)域的灰度均值，則灰度補(bǔ)償模型如下[12]：

通常，路面坑洞邊緣處會(huì)產(chǎn)生陰影導(dǎo)致原有的粗糙紋理丟失，坑洞和非坑洞區(qū)域差異變小，通過式(1)的灰度補(bǔ)償并不能夠提升坑洞邊緣陰影區(qū)域紋理粗糙度，而且在存在車道線的路面圖像中，采用這一補(bǔ)償方法不能去除車道線。為了解決這個(gè)問題，本文對(duì)式(1)進(jìn)行修正，得到下面可以克服陰影和車道線影響的灰度補(bǔ)償模型：

式中N是原始灰度圖像按HSV色彩空間V通道分量進(jìn)行按亮度分層分割后的層數(shù)，Ik（i，j）為得到的第k個(gè)分割灰度矩陣，Ck（i，j）為對(duì)應(yīng)的照度補(bǔ)償后的第k個(gè)分割灰度矩陣。Dk、DI和AVGk、AVGI分別為第k個(gè)分割灰度矩陣、整幅圖像I的標(biāo)準(zhǔn)差和平均灰度值。在式(2)中用整幅圖像的平均灰度值A(chǔ)VGI取代了式(1)中的非陰影區(qū)域平均灰度值A(chǔ)VGR，第k個(gè)分割灰度矩陣平均灰度值A(chǔ)VGk取代了陰影區(qū)域平均灰度值A(chǔ)VGB，這樣通過式(2)圖像中較亮和較暗區(qū)域都能夠得到調(diào)整。標(biāo)準(zhǔn)差反映了圖像區(qū)域的紋理粗糙程度，路面缺陷區(qū)域通常紋理更為粗糙，有著更大的標(biāo)準(zhǔn)差值，車道線區(qū)域紋理相對(duì)光滑標(biāo)準(zhǔn)差會(huì)相對(duì)較小，通過在式(2)中引入第k個(gè)分割灰度矩陣與整幅圖像I的標(biāo)準(zhǔn)差比值，可以達(dá)到提升路面缺陷區(qū)域的紋理粗糙程度，降低非缺陷區(qū)域的紋理粗糙程度的目的，方便后續(xù)處理。觀察發(fā)現(xiàn)，坑洞區(qū)域大部分情況下會(huì)在邊緣處形成陰影，導(dǎo)致紋理粗糙度降低，將標(biāo)準(zhǔn)差比值引入并不能提升邊緣處陰影區(qū)域的紋理粗糙度，為此本文在式(2)中加入了平均灰度比值。

1.1.2 克服陰影和車道線影響的灰度補(bǔ)償算法步驟

1）提取V通道分量，HSV色彩空間完美的將亮度信息和色度分量分離[13]，為此將原始圖像轉(zhuǎn)換到HSV空間提取出V通道分量，并將V通道分量從[0，1]區(qū)間映射到[0，255]區(qū)間，同時(shí)原始圖像灰度化得到灰度圖像I。

2）對(duì)V通道分量進(jìn)行高斯濾波，高斯濾波能夠去除部分圖像噪聲，平滑掉圖像陰影、車道線邊緣，有利于后續(xù)的分層分割法分割操作更為精細(xì)，高斯濾波參數(shù)選擇標(biāo)準(zhǔn)差為1.5，模板大小為9×9。

3）利用分層分割法進(jìn)行分層分割，以V通道分量為基礎(chǔ)，對(duì)圖像進(jìn)行分層亮度分割，設(shè)分層層數(shù)為N，閾值為P0，P1，Pk-1，Pk，…，PN，把屬于閾值區(qū)間[Pk-1，Pk]的像素值置為1，其余像素值置為0，得到N個(gè)分割像素矩陣。再把這N個(gè)分割矩陣分別點(diǎn)乘第一步中得到的灰度圖像I，得到N個(gè)分割灰度矩陣。對(duì)N個(gè)分割灰度矩陣，分別計(jì)算每一個(gè)分割灰度矩陣Ik（i，j）的標(biāo)準(zhǔn)差Dk和均值A(chǔ)VGk。同時(shí)計(jì)算原始灰度圖像的標(biāo)準(zhǔn)差DI和均值A(chǔ)VGI。進(jìn)過實(shí)驗(yàn)對(duì)比N取64較為合適。

4）灰度補(bǔ)償，對(duì)N個(gè)分割灰度矩陣，按照式(2)進(jìn)行灰度補(bǔ)償，得到N個(gè)補(bǔ)償后的灰度矩陣，再把這N個(gè)矩陣相加融合起來，得到車道線和陰影去除后的圖像。

為了驗(yàn)證改進(jìn)后灰度補(bǔ)償算法的車道線、陰影去除效果以及紋理和灰度信息對(duì)去除效果的影響，在采集的數(shù)據(jù)集圖像中進(jìn)行了大量對(duì)比試驗(yàn)，圖1是幾種典型路面灰度補(bǔ)償結(jié)果，圖1(a)是原始圖像，圖1(b)是只融合紋理信息進(jìn)行灰度補(bǔ)償?shù)慕Y(jié)果圖像，圖1(c)是融合紋理和灰度信息進(jìn)行灰度補(bǔ)償?shù)慕Y(jié)果圖像。對(duì)比圖1(a)和圖1(c)可以發(fā)現(xiàn)本文所提的改進(jìn)的灰度補(bǔ)償算法能夠很好的去除路面圖像中的車道線和陰影。對(duì)比圖1(b)和圖1(c)中的坑洞圖像可以發(fā)現(xiàn)加入灰度信息可以彌補(bǔ)單獨(dú)利用紋理信息的不足，提升圖像中坑洞邊緣低灰度值區(qū)域的紋理粗糙度。

1.2 小波變換提取路面圖像缺陷區(qū)域

小波變換由于其優(yōu)越的分析性能在很多領(lǐng)域都得到了運(yùn)用，運(yùn)用在圖像處理上小波變換可以把圖像像素點(diǎn)之間的變化轉(zhuǎn)化為小波系數(shù)來表示，且能夠進(jìn)行多分辨率分析。路面圖像中相對(duì)粗糙的紋理區(qū)域小波變換得到的系數(shù)幅值會(huì)大些，而相對(duì)一致的紋理區(qū)域得到的系數(shù)幅值會(huì)相對(duì)小些[14]。而本文分析的路面坑洞，坑內(nèi)區(qū)域紋理會(huì)相對(duì)粗糙些，坑洞周圍的健康路面紋理則會(huì)細(xì)致一些。即使坑洞內(nèi)有積水，在坑洞的邊緣還是會(huì)存在圍繞坑洞的粗紋理存在。利用這一特性，就可以把路面的缺陷區(qū)域突出地表示出來。以圖像的方式表示則是缺陷區(qū)域灰度值大表現(xiàn)為高亮區(qū)域。

圖1 幾種典型路面圖像灰度補(bǔ)償結(jié)果

圖像經(jīng)小波變換分解后可以得到四副子圖像，分別是近似子圖、對(duì)角細(xì)節(jié)子圖（HH）、水平細(xì)節(jié)子圖（LH）、垂直細(xì)節(jié)子圖（HL）。本文采用下述公式對(duì)垂直、水平、對(duì)角的三幅子圖像進(jìn)行融合得到我們需要的層內(nèi)融合圖：

式中HHk、HLk、LHk分別代表第k層分解得到的對(duì)角、垂直、水平方向的細(xì)節(jié)子圖，Rk代表第k層融合圖像，通過上式第k層小波分解得到的三個(gè)細(xì)節(jié)子圖就被融合到了一起。融合后的圖像大小隨著分解層數(shù)的增大而變小。為了便于后續(xù)分析，把融合后的圖像調(diào)整為原始圖像大小進(jìn)行分解層之間的融合。層與層之間的融合依據(jù)下式進(jìn)行：

I為輸入的灰度圖像，MP（i，j）為小波分解后得到的前P層融合后的結(jié)果，對(duì)應(yīng)系數(shù)值相加不再求均值，這樣可以擴(kuò)大噪聲系數(shù)值和感興趣紋理系數(shù)值之間的差異。上述小波變換中選擇合適的小波基和分解融合層數(shù)是重要的，目前小波函數(shù)有很多，如邁耶小波（Meyer wavelet）、哈爾小波（Haar wavelet）、多貝西（Daubechies wavelet）等，經(jīng)過實(shí)驗(yàn)對(duì)比多貝西小波對(duì)路面圖像中的缺陷更為敏感，對(duì)周圍健康路面噪聲抑制地更好。

為了選擇合適的分解融合層數(shù)，如圖2小波變換分層融合圖，1～3行分別為圖1(c)中從左至右坑洞、裂縫、健康路面圖像不同分解層融合后的圖像，圖1(a)列是小波變換后1到2層融合后得到的圖像，圖1(b)列是小波變換后1到3層融合后得到的圖像，圖1(c)列是小波變換后1～4層融合后得到的圖像，從圖中可以看出隨著融合的層數(shù)的增多，圖像越來越模糊，一定程度的模糊有利于減少下文積分投影曲線波動(dòng)增強(qiáng)特征的表達(dá)能力。但是同時(shí)也應(yīng)該注意到，隨著融合層數(shù)的增多圖像中缺陷區(qū)域的細(xì)節(jié)得到增強(qiáng)的同時(shí)周圍健康路面的紋理細(xì)節(jié)、高亮噪聲點(diǎn)也得到增強(qiáng)，太多層數(shù)的融合缺陷區(qū)域和健康路面區(qū)域的對(duì)比反而減弱，不利于提高算法的適用性。為此，本文選用小波分解的第1～3層進(jìn)行融合。

圖2 小波變換分層融合圖

1.3 積分投影提取缺陷區(qū)域形狀特征

利用上面得到的小波變換1～3層融合圖像，對(duì)其進(jìn)行水平和垂直方向投影，得到積分投影曲線。積分投影在人臉識(shí)別方面用的比較多而且成功，雖然它的原理很簡(jiǎn)單，但是在一定情況下可以很好的描述圖片的特征。水平和垂直積分投影可定義為[11]：

式中VP和HP分別代表垂直、水平積分投影，n代表在橫坐標(biāo)為x時(shí)縱坐標(biāo)方向上的像素?cái)?shù)，m代表在縱坐標(biāo)為y時(shí)橫坐標(biāo)方向上的像素?cái)?shù)。

圖3為圖2(b)列中三種典型路面的一至三層融合圖像的積分投影曲線，第一列是原始積分投影的曲線圖，第二列是經(jīng)過每9個(gè)值分段平均后的曲線圖。第一行是坑洞圖像對(duì)應(yīng)的積分投影曲線，可以看到水平和垂直投影都存在明顯波峰。第二行是豎向裂縫圖片對(duì)應(yīng)的積分投影曲線，其在水平方向上存在一個(gè)波峰，垂直方向上相對(duì)平緩。第三行所用圖像是正常的路面圖像，它的積分投影曲線沒有明顯波峰，垂直和水平方向上的積分投影曲線都處于小范圍波動(dòng)狀態(tài)，造成波動(dòng)的原因主要是路面本身具有顆粒狀紋理，加之受到雨水、碾壓等影響表面粗糙程度不一致，在積分投影曲線中就表現(xiàn)為不規(guī)律的小波動(dòng)。從三種典型的路面缺陷的積分投影曲線圖可以看出每一種缺陷都有不一樣的積分投影曲線特性，運(yùn)用這一特性可以將路面圖像分類成有坑洞和無坑洞圖像。

為了提取出特征向量，作為SVM的輸入，可以將水平和垂直積分投影曲線值連接在一起得到形狀特征向量，這樣的向量中特征數(shù)量較多，曲線波動(dòng)也較大。為了減少特征的數(shù)量，提高運(yùn)算的速度，減少積分投影曲線波動(dòng)對(duì)識(shí)別的影響，在積分投影的水平和垂直曲線中進(jìn)行分段平均減少特征個(gè)數(shù)。從圖3(b)列中可以看出分段平均后積分投影曲線波動(dòng)減少，不同缺陷的路面圖像形狀特征更為明顯。在第二節(jié)中，將對(duì)比特征數(shù)目對(duì)分類效果的影響。

1.4 路面坑洞識(shí)別分類模型

利用拉格朗日乘數(shù)法以及滿足KKT條件下的拉格朗日對(duì)偶性，對(duì)式(7)進(jìn)行求解得到最優(yōu)分類函數(shù)：

圖3 積分投影曲線圖

所以上面的式(8)可以改寫成：

不同的核函數(shù)會(huì)產(chǎn)生不同的映射，分類效果也不一樣，在后續(xù)實(shí)驗(yàn)中將探求核函數(shù)對(duì)分類效果的影響。

綜上所述，通過本文提出的可克服陰影和車道線影響的灰度補(bǔ)償算法預(yù)處理后的圖像，結(jié)合小波變換和積分投影提取出形狀特征后，利用SVM進(jìn)行分類，即可實(shí)現(xiàn)克服陰影和車道線影響的路面坑洞識(shí)別。

2 路面坑洞圖像識(shí)別實(shí)驗(yàn)及與其他方法的實(shí)驗(yàn)對(duì)比研究

2.1 坑洞與非坑洞路面圖像SVM分類實(shí)驗(yàn)

實(shí)驗(yàn)算法在MATLAB2016a中實(shí)現(xiàn)，運(yùn)行在Core i3 2.4GHz、4GB RAM的個(gè)人電腦上。實(shí)驗(yàn)所用的460幅圖像來自于陰天、晴天、雨天等各種天氣條件，也存在樹陰、車道線、弱水漬、弱油漬的干擾。盡可能滿足實(shí)際情況下的坑洞的狀態(tài)，驗(yàn)證所提算法的實(shí)用性。

為了更好地反映支持向量機(jī)的分類性能排除隨機(jī)性，樣本分為坑洞、非坑洞圖像兩類，從兩類中分層抽樣取60%的樣本作為訓(xùn)練集，余下的樣本作為測(cè)試集，一共進(jìn)行15次分層抽樣，所有輸入圖像均規(guī)范至180×180像素，形狀特征向量均進(jìn)行歸一化處理規(guī)范至[0，1]區(qū)間。采用交叉驗(yàn)證法把分層抽樣所得的訓(xùn)練集分為訓(xùn)練和驗(yàn)證兩個(gè)子集，對(duì)支持向量機(jī)進(jìn)行訓(xùn)練和最優(yōu)參數(shù)選擇。為了客觀地評(píng)價(jià)支持向量機(jī)的分類性能，對(duì)分類準(zhǔn)確率（ACC）、精度（PRE）、真正率（TPR）[17]進(jìn)行統(tǒng)計(jì)，同時(shí)計(jì)算接受者操作特性曲線（receiver operating characteristic curve，ROC）下的面積（AUC），AUC的值反映了分類器的分類能力。取上述4個(gè)指標(biāo)15次測(cè)試的平均作為最后的性能評(píng)估結(jié)果。

支持向量機(jī)的核函數(shù)不同數(shù)據(jù)映射到高維空間的可分性不一樣而產(chǎn)生不同的分類精度，為此，利用高斯、多項(xiàng)式立方、多項(xiàng)式平方、線性四種核函數(shù)對(duì)數(shù)據(jù)圖像進(jìn)行分類對(duì)比試驗(yàn)，支持向量機(jī)的參數(shù)采用貝葉斯優(yōu)化算法進(jìn)行優(yōu)化。利用積分投影得到的形狀特征最多可達(dá)360個(gè)數(shù)量較多，為了探求用較小的特征數(shù)達(dá)到好的分類結(jié)果，實(shí)驗(yàn)中分別取分段平均后120、90、72、60、40、36、30、24、18、12、10、8、6個(gè)特征進(jìn)行試驗(yàn)。

試驗(yàn)結(jié)果如表1、圖4所示，表1為不同核函數(shù)在不同特征數(shù)量下四個(gè)性能指標(biāo)的均值，從表中可以看出立方核函數(shù)分類效果略佳，線性核分類效果最差。圖4為立方核函數(shù)在不同特征數(shù)目時(shí)的性能表現(xiàn)，從圖中可以看出特征數(shù)目大于10時(shí)分類性能趨于穩(wěn)定，無需太多的形狀特征數(shù)目，12個(gè)特征時(shí)可取得最好分類效果。此時(shí)坑洞識(shí)別分類準(zhǔn)確率為87.4%，精度為88%，真正率為85.6%，AUC值為0.93。

表1 不同核函數(shù)平均分類性能

圖4 立方核函數(shù)分類性能

2.2 不同算法對(duì)比試驗(yàn)

為了驗(yàn)證本文算法的優(yōu)勢(shì)，將本文算法小波變換路面缺陷區(qū)域提取結(jié)果與基于直方圖形狀的三角閾值方法[5～8]，方向可調(diào)濾波方法[11]，小波能量域方法[9]的初步提取結(jié)果進(jìn)行比較，結(jié)果如圖5所示。

圖5 不同算法效果對(duì)比

為了更好地識(shí)別路面坑洞，提取路面缺陷區(qū)域時(shí)，需要除去車道線、陰影等區(qū)域的干擾，即在提取的結(jié)果圖中只有路面缺陷區(qū)域需要高亮顯示，車道線、陰影等非缺陷區(qū)域是不需要也不能高亮顯示的。從圖5可以看出：三角閾值和方向可調(diào)濾波方法，在提取出路面缺陷區(qū)域的同時(shí)也將車道線、陰影區(qū)域提取出來，缺陷區(qū)域受到非缺陷區(qū)域干擾無疑會(huì)影響后續(xù)識(shí)別，如圖5第1行中三角閾值方法結(jié)果圖中陰影區(qū)域和坑洞區(qū)域同時(shí)高亮顯示，這將使后續(xù)積分投影得到的形狀特征不準(zhǔn)確，最終導(dǎo)致支持向量機(jī)分類識(shí)別準(zhǔn)確率降低；小波能量域方法相對(duì)于方向可調(diào)濾波和三角閾值方法對(duì)陰影、車道線的克服能力更強(qiáng)，但是它在圖片中存在陰影的情況下，陰影區(qū)域被提取出來高亮顯示，如圖5第5行中小波能量域方法結(jié)果圖中陰影區(qū)域高亮顯示，比較而言本文方法則沒有高亮顯示陰影區(qū)域，避免了后續(xù)識(shí)別中將陰影誤識(shí)為坑洞。另外，小波能量域方法在坑洞區(qū)域局部灰度值較高的情況下，坑洞區(qū)域提取不完整，如圖5第2行中小波能量域方法結(jié)果圖中坑洞區(qū)域右側(cè)缺失，坑洞區(qū)域提取完整性欠佳，相比較而言，本文方法坑洞區(qū)域相對(duì)更為完整，這將提高后續(xù)形狀特征提取的穩(wěn)定性，進(jìn)而提高支持向量機(jī)識(shí)別準(zhǔn)確率。總的來說，本文方法由于進(jìn)行了車道線、陰影去除預(yù)處理可以克服陰影、車道線對(duì)坑洞識(shí)別的影響，在高亮顯示缺陷區(qū)域的同時(shí)不會(huì)將陰影、車道線等干擾區(qū)域也顯示出來影響后續(xù)識(shí)別。

表2統(tǒng)計(jì)了利用文獻(xiàn)[11]基于方向可調(diào)濾波的算法對(duì)本文所采集的數(shù)據(jù)進(jìn)行坑洞圖像分類識(shí)別的結(jié)果、文獻(xiàn)[8]給出的結(jié)果，以及本文沒有進(jìn)行灰度補(bǔ)償預(yù)處理得到的結(jié)果（Npours）和進(jìn)行灰度補(bǔ)償預(yù)處理得到的結(jié)果（Pours）。從表中可見由于本文算法進(jìn)行了車道線、陰影去除預(yù)處理，路面坑洞圖像識(shí)別效果更好。

表2 不同算法分類識(shí)別結(jié)果

3 結(jié)語(yǔ)

針對(duì)路面坑洞識(shí)別過程中易受陰影、車道線影響的問題，本文提出了一種灰度和紋理信息相結(jié)合的灰度補(bǔ)償算法，并采用該算法對(duì)路面圖像進(jìn)行預(yù)處理，結(jié)果表明所提算法可以很好地去除路面圖像中陰影和車道線，灰度和紋理信息的引入提升了缺陷區(qū)域的紋理粗糙度，使得經(jīng)過小波變換分解與融合后提取的缺陷區(qū)域更為完整，提高了后續(xù)分類識(shí)別精度。利用支持向量機(jī)在包含460幅圖像的數(shù)據(jù)集中對(duì)坑洞圖像進(jìn)行識(shí)別，立方核函數(shù)效果略佳，12個(gè)形狀特征便可取得很好的分類效果，而特征數(shù)目的減少可以減少計(jì)算量。與現(xiàn)有算法對(duì)比，本文算法識(shí)別效果更優(yōu)。